نشریه علمی - پژوهشی مرتع و آبخیزداری
کلیدواژه‌ها = نروفازی

مدل‌سازی غلظت رسوب حاصل از فرسایش شیاری با استفاده از سیستم نروفازی (ANFIS) در منطقه نیمه‌خشک

دوره 70، شماره 1، بهار 1396، صفحه 219-234

https://doi.org/10.22059/jrwm.2017.61979

سوما محمدپور، حامد روحانی، حجت قربانی واقعی، سید مرتضی سیدیان، ابولحسن فتح آبادی

چکیده در بسیاری از مناطق نیمه‌خشک ایران فرسایش خاک به‌عنوان یک معضل محیط‌زیستی بر حاصل‌خیزی خاک، کیفیت آب و زیست‌بوم‌های آبی اثر می‌گذارد. نرخ خاک برداشت شده براساس نوع فرسایش و فرآیندهای تخریب زمین متفاوت است. فرسایش شیاری معمولاً در مواقع بارش شدید بر روی دامنه‌های شیب‌دار ایجاد می‌شود و شرایط انتقال رسوب در آن نامتعادل است. در این تحقیق با استفاده از مدل نروفازی اقدام به شبیه‌سازی غلظت رسوب حاصل از فرسایش شیاری شده است. یک‌سری از روابط تجربی و پارامترهایی که برای شبیه‌سازی هیدرودینامیک شیار، جدا شدن خاک و ظرفیت حمل و انتقال رسوب که بر فرسایش حاصل از شیار مؤثرند به عنوان ورودی مدل در نظر گرفته شدند. فرآیند توسعه و ارزیابی مدل با استفاده از مجموعه داده‌های مشاهده‌ای در 27 شیار آزمایشی با دبی 12 لیتر بر دقیقه مقایسه شد. در این پژوهش برای تعیین ترکیب بهینه ورودی‌ها  از روش گام به گام از میان 10 پارامتر ورودی مؤثر در برآورد غلظت رسوب شامل ویژگی‌های خاک، توپوگرافی و پوشش گیاهی استفاده شد. براساس نتایج روش گام به گام، چهار پارامتر درصد شیب، درصد پوشش گیاهی، درصد رس و تنش برشی جریان برای مدل‌سازی انتخاب شدند. ارزیابی مدل نشان داد که مدل نروفازی با  ضریب تبیین، جذر میانگین مربعات خطا و میانگین خطای اریب، به ترتیب، 697/0، 5/30 و 0/1 قادر به پیش‌بینی قابل قبول غلظت رسوب حاصل از فرسایش شیاری بود. 

مقایسة روش‌های نروفازی و SCS در اولویت‌بندی زیرحوضه‌های آبخیز به منظور اجرای اقدامات آبخیزداری (مطالعة موردی: حوضة آبخیز طالقان)

دوره 68، شماره 2، تابستان 1394، صفحه 213-225

https://doi.org/10.22059/jrwm.2015.54922

صادق تالی خشک، محسن محسنی ساروی، مهدی وفاخواه، شهرام خلیقی سیگارودی

چکیده به دلیل ناکافی‌بودن امکانات، بودجه، نیروی انسانی، زمان، و ... عملیات آبخیزداری در کل سطح حوضة آبخیز قابل اجرا نیست. به همین دلیل، عملیات آبخیزداری باید در زیرحوضه‌هایی اجرا شود که اثرگذارتر است و از نظر تخریب، فرسایش، خسارات جانی و مالی، سیلاب، و ... بیشتر در معرض خطر باشد. همچنین، نقص ایستگاه‌های هیدرومتری یا فقدان ایستگاه‌ها در برخی مناطق متخصصان را بر آن داشته تا برای اولویت‌بندی زیرحوضه‌ها به دنبال روش‌هایی باشند که با استفاده از خصوصیات در دسترس زیرحوضه‌‌ها، در مناطق مختلف جغرافیایی، به‌درستی عمل کند. در تحقیق حاضر امکان استفاده از روش‌های نروفازی و SCS در مدل HEC-HMS، که محدودة وسیعی از مزایا و معایب را می‌توانند در تصمیم‌گیری‌ها لحاظ نمایند، بررسی شد. برای تعیین صحت نتایج روش‌های مختلف، میزان دبی خروجی از زیرحوضه‌های طالقان طی یک سال آماری برداشت شد. نتایج به‌دست‌آمده از این دو روش با حداکثر دبی با دورة بازگشت دوسالة مشاهداتی زیرحوضه‌ها مقایسه شد. نتایج نشان داد بهترین اولویت‌بندی مربوط به روش نروفازی است و در مقایسه با SCS، بر اساس ضرایب خطا و تبیین مربوط به مقایسة داده‌‌های مشاهداتی و برآوردشده، بهترین برآوردها را داشته است.

مقایسه روش‌های نروفازی، الگوریتم ژنتیک، شبکه عصبی، و رگرسیون چندمتغیره در پیش‏بینی شوری خاک (مطالعه موردی: شهرستان اردکان)

دوره 66، شماره 2، تابستان 1392، صفحه 207-222

https://doi.org/10.22059/jrwm.2013.35573

روح الله تقی زاده مهرجردی، فریدون سرمدیان، غلامرضا ثواقبی، محمود امید، نورایر تومانیان، محمد جواد روستا، محمدحسن رحیمیان

چکیده در سال‌های اخیر از روش‌های غیرمستقیم برای برآورد شوری خاک استفاده می‏شود. بدین منظور، در این پژوهش ششصد نمونة جمع‏آوری‌شده از منطقة اردکان آزمایش شد و قرائت‌های افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی ـ شامل شاخص اراضی، شاخص خیسی، و انحنای شیب ـ به عنوان ویژگی‌های زودیافت استفاده شد و میزان شوری خاک به صورت وزنی در اعماق 30 و 100 سانتی‌متری به عنوان ویژگی‌های دیریافت تخمین زده شد. در این زمینه، داده‏ها به دو سری تقسیم شد: سری آموزشی (80% داده‏ها)؛ سری ارزیابی (20% داده‏ها). به منظور مدل‏سازی و پیش‏بینی شوری، از مدل‌های نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک، و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدل‏ها ـ بر اساس شاخص‌های ریشة مربعات خطا، میانگین خطا، خطای استاندارد نسبی، و ضریب تبیین ـ نشان داد که مدل نروفازی دارایِ بالاترین دقت در پیش‏بینی ویژگی‌های خاک است، به طوری که این مدل به میزان 17 و 11 درصد دقتِ پیش‏بینی شوری را، به‌ترتیب، در اعماق 30 و 100 سانتی‏متری، نسبت به روش رگرسیون خطی چندگانه، افزایش داده است. پس از این مدل، الگوریتم ژنتیک و شبکه‌های عصبی مصنوعی، نسبت به معادلات رگرسیونی، کارآیی بهتری داشت.